Dyna-Style Learning with A Macroscopic Model for Vehicle Platooning in Mixed-Autonomy Traffic

本文探讨了连接和自主驾驶汽车（CAV）的编队在现代化公路中发挥的重要作用，引入了增强的效率和安全性。本文采用耦合偏微分方程（PDE）和常微分方程（ODE）模型，阐明了大量交通流和CAV编队之间的复杂互动在智能公路中的重要性。我们的研究集中在开发一个专门针对编队控制的Dyna风格的规划和学习框架，旨在减少燃料消耗。通过利用耦合PDE-ODE模型，我们通过虚拟经验提高了Dyna风格学习的数据效率。仿真结果验证了我们的宏观模型在混合自动化环境中建模编队的有效性，相比传统方法，车辆燃料消耗显著降低了10.11％。

探讨在智能高速公路上，通过连通和自主驾驶车辆（CAVs）的编队，提高交通效率和安全性的重要性。

使用偏微分方程和常微分方程模型，研究车流和编队之间的复杂交互作用，并提出了一种针对编队控制的Dyna-style规划和学习框架，旨在降低燃料消耗。通过利用耦合PDE-ODE模型，提高了Dyna-style学习中的数据效率。

通过模拟实验验证了宏观模型在混合自动化设置中建模编队的有效性，相比传统方法，燃料消耗降低了10.11％。

最近的相关研究还包括：《基于车辆编队的高速公路交通流建模与仿真》、《基于深度强化学习的车辆编队控制》等。